Elasticsearch ແມ່ນເຄື່ອງຈັກຊອກຫາທີ່ມີ json rest api, ໃຊ້ Lucene ແລະຂຽນໃນ Java. ລາຍລະອຽດຂອງຄວາມໄດ້ປຽບທັງຫມົດຂອງເຄື່ອງຈັກນີ້ແມ່ນມີຢູ່ ເວັບໄຊທ໌ທາງການ. ໃນສິ່ງທີ່ຕໍ່ໄປນີ້ພວກເຮົາຈະອ້າງເຖິງ Elasticsearch ເປັນ ES.

ເຄື່ອງຈັກທີ່ຄ້າຍຄືກັນແມ່ນໃຊ້ສໍາລັບການຄົ້ນຫາທີ່ສັບສົນໃນຖານຂໍ້ມູນເອກະສານ. ຕົວຢ່າງ, ການຄົ້ນຫາຄໍານຶງເຖິງ morphology ຂອງພາສາຫຼືຄົ້ນຫາໂດຍພິກັດທາງພູມສາດ.

ໃນບົດຄວາມນີ້ຂ້ອຍຈະເວົ້າກ່ຽວກັບພື້ນຖານຂອງ ES ໂດຍໃຊ້ຕົວຢ່າງຂອງການດັດສະນີບົດຄວາມ blog. ຂ້ອຍຈະສະແດງວິທີການກັ່ນຕອງ, ຈັດຮຽງ ແລະຊອກຫາເອກະສານ.

ເພື່ອບໍ່ໃຫ້ຂຶ້ນກັບລະບົບປະຕິບັດການ, ຂ້ອຍຈະເຮັດການຮ້ອງຂໍທັງຫມົດໄປຫາ ES ໂດຍໃຊ້ CURL. ນອກຈາກນີ້ຍັງມີ plugin ສໍາລັບ google chrome ທີ່ເອີ້ນວ່າ ຄວາມຮູ້ສຶກ.

ຂໍ້ຄວາມມີລິ້ງໄປຫາເອກະສານ ແລະແຫຼ່ງອື່ນໆ. ໃນຕອນທ້າຍມີການເຊື່ອມຕໍ່ສໍາລັບການເຂົ້າເຖິງໄວກັບເອກະສານ. ຄໍານິຍາມຂອງຄໍາສັບທີ່ບໍ່ຄຸ້ນເຄີຍສາມາດພົບໄດ້ໃນ ຄຳ ສັບ.

ການຕິດຕັ້ງ ES

ເພື່ອເຮັດສິ່ງນີ້, ທໍາອິດພວກເຮົາຕ້ອງການ Java. ນັກພັດທະນາ ແນະ ນຳ ຕິດຕັ້ງ Java ລຸ້ນໃໝ່ກວ່າ Java 8 update 20 ຫຼື Java 7 update 55.

ການແຈກຢາຍ ES ແມ່ນມີຢູ່ ເວັບໄຊທ໌ນັກພັດທະນາ. ຫຼັງຈາກ unpacking archive ທ່ານຈໍາເປັນຕ້ອງດໍາເນີນການ bin/elasticsearch. ຍັງມີຢູ່ ຊຸດສໍາລັບ apt ແລະ yum. ມີ ຮູບພາບທີ່ເປັນທາງການສໍາລັບ docker. ເພີ່ມເຕີມກ່ຽວກັບການຕິດຕັ້ງ.

ຫຼັງຈາກການຕິດຕັ້ງແລະເປີດຕົວ, ໃຫ້ກວດເບິ່ງຫນ້າທີ່ເຮັດວຽກ:

# для удобства запомним адрес в переменную
#export ES_URL=$(docker-machine ip dev):9200
export ES_URL=localhost:9200

curl -X GET $ES_URL

ພວກເຮົາຈະໄດ້ຮັບບາງສິ່ງບາງຢ່າງເຊັ່ນນີ້:

{
  "name" : "Heimdall",
  "cluster_name" : "elasticsearch",
  "version" : {
    "number" : "2.2.1",
    "build_hash" : "d045fc29d1932bce18b2e65ab8b297fbf6cd41a1",
    "build_timestamp" : "2016-03-09T09:38:54Z",
    "build_snapshot" : false,
    "lucene_version" : "5.4.1"
  },
  "tagline" : "You Know, for Search"
}

ດັດສະນີ

ມາເພີ່ມໂພສໃສ່ ES:

# Добавим документ c id 1 типа post в индекс blog.
# ?pretty указывает, что вывод должен быть человеко-читаемым.

curl -XPUT "$ES_URL/blog/post/1?pretty" -d'
{
  "title": "Веселые котята",
  "content": "<p>Смешная история про котят<p>",
  "tags": [
    "котята",
    "смешная история"
  ],
  "published_at": "2014-09-12T20:44:42+00:00"
}'

ການຕອບສະໜອງຂອງເຊີບເວີ:

{
  "_index" : "blog",
  "_type" : "post",
  "_id" : "1",
  "_version" : 1,
  "_shards" : {
    "total" : 2,
    "successful" : 1,
    "failed" : 0
  },
  "created" : false
}

ES ສ້າງອັດຕະໂນມັດ ດັດຊະນີ blog ແລະ ປະເພດ ຕອບ. ພວກເຮົາສາມາດແຕ້ມການປຽບທຽບທີ່ມີເງື່ອນໄຂ: ດັດຊະນີແມ່ນຖານຂໍ້ມູນ, ແລະປະເພດແມ່ນຕາຕະລາງໃນຖານຂໍ້ມູນນີ້. ແຕ່ລະປະເພດມີໂຄງການຂອງຕົນເອງ − ແຜນທີ່, ຄືກັນກັບຕາຕະລາງການພົວພັນ. ການສ້າງແຜນທີ່ອັດຕະໂນມັດເມື່ອເອກະສານຖືກດັດສະນີ:

# Получим mapping всех типов индекса blog
curl -XGET "$ES_URL/blog/_mapping?pretty"

ໃນການຕອບສະຫນອງຂອງເຄື່ອງແມ່ຂ່າຍ, ຂ້າພະເຈົ້າໄດ້ເພີ່ມຄ່າຂອງຊ່ອງຂໍ້ມູນຂອງເອກະສານທີ່ຖືກດັດສະນີໃນຄໍາເຫັນ:

{
  "blog" : {
    "mappings" : {
      "post" : {
        "properties" : {
          /* "content": "<p>Смешная история про котят<p>", */ 
          "content" : {
            "type" : "string"
          },
          /* "published_at": "2014-09-12T20:44:42+00:00" */
          "published_at" : {
            "type" : "date",
            "format" : "strict_date_optional_time||epoch_millis"
          },
          /* "tags": ["котята", "смешная история"] */
          "tags" : {
            "type" : "string"
          },
          /*  "title": "Веселые котята" */
          "title" : {
            "type" : "string"
          }
        }
      }
    }
  }
}

ມັນເປັນມູນຄ່າທີ່ສັງເກດວ່າ ES ບໍ່ໄດ້ແຍກຄວາມແຕກຕ່າງລະຫວ່າງຄ່າດຽວແລະ array ຂອງຄ່າ. ສໍາລັບຕົວຢ່າງ, ພາກສະຫນາມຫົວຂໍ້ພຽງແຕ່ປະກອບດ້ວຍຫົວຂໍ້, ແລະພາກສະຫນາມ tags ມີ array ຂອງ strings, ເຖິງແມ່ນວ່າພວກມັນຈະຖືກສະແດງໃນແບບດຽວກັນໃນແຜນທີ່.
ພວກເຮົາຈະເວົ້າເພີ່ມເຕີມກ່ຽວກັບການສ້າງແຜນທີ່ໃນພາຍຫຼັງ.

ການຮ້ອງຂໍ

ດຶງເອົາເອກະສານໂດຍ id ຂອງມັນ:

# извлечем документ с id 1 типа post из индекса blog
curl -XGET "$ES_URL/blog/post/1?pretty"

{
  "_index" : "blog",
  "_type" : "post",
  "_id" : "1",
  "_version" : 1,
  "found" : true,
  "_source" : {
    "title" : "Веселые котята",
    "content" : "<p>Смешная история про котят<p>",
    "tags" : [ "котята", "смешная история" ],
    "published_at" : "2014-09-12T20:44:42+00:00"
  }
}

ກະແຈໃໝ່ປາກົດຢູ່ໃນຄຳຕອບ: _version и _source. ໂດຍທົ່ວໄປ, ຄີທັງຫມົດເລີ່ມຕົ້ນດ້ວຍ _ ຖືກຈັດປະເພດເປັນທາງການ.

Key _version ສະແດງໃຫ້ເຫັນສະບັບເອກະສານ. ມັນເປັນສິ່ງຈໍາເປັນສໍາລັບກົນໄກການລັອກໃນແງ່ດີທີ່ຈະເຮັດວຽກ. ຕົວຢ່າງ, ພວກເຮົາຕ້ອງການປ່ຽນເອກະສານທີ່ມີສະບັບ 1. ພວກເຮົາສົ່ງເອກະສານທີ່ມີການປ່ຽນແປງແລະຊີ້ໃຫ້ເຫັນວ່ານີ້ແມ່ນການແກ້ໄຂເອກະສານທີ່ມີສະບັບ 1. ຖ້າຄົນອື່ນແກ້ໄຂເອກະສານທີ່ມີສະບັບ 1 ແລະສົ່ງການປ່ຽນແປງກ່ອນພວກເຮົາ, ຫຼັງຈາກນັ້ນ. ES ຈະບໍ່ຍອມຮັບການປ່ຽນແປງຂອງພວກເຮົາ, ເພາະວ່າ ມັນເກັບຮັກສາເອກະສານທີ່ມີສະບັບ 2.

Key _source ມີເອກະສານທີ່ພວກເຮົາໄດ້ດັດສະນີ. ES ບໍ່ໄດ້ໃຊ້ຄ່ານີ້ສໍາລັບການປະຕິບັດງານຄົ້ນຫາເພາະວ່າ ດັດຊະນີແມ່ນໃຊ້ສໍາລັບການຊອກຫາ. ເພື່ອປະຫຍັດພື້ນທີ່, ES ເກັບຮັກສາເອກະສານແຫຼ່ງທີ່ບີບອັດ. ຖ້າພວກເຮົາຕ້ອງການພຽງແຕ່ id, ແລະບໍ່ແມ່ນເອກະສານແຫຼ່ງທັງຫມົດ, ຫຼັງຈາກນັ້ນພວກເຮົາສາມາດປິດການເກັບຮັກສາແຫຼ່ງ.

ຖ້າພວກເຮົາບໍ່ຕ້ອງການຂໍ້ມູນເພີ່ມເຕີມ, ພວກເຮົາສາມາດໄດ້ຮັບພຽງແຕ່ເນື້ອໃນຂອງ _source:

curl -XGET "$ES_URL/blog/post/1/_source?pretty"

{
  "title" : "Веселые котята",
  "content" : "<p>Смешная история про котят<p>",
  "tags" : [ "котята", "смешная история" ],
  "published_at" : "2014-09-12T20:44:42+00:00"
}

ນອກນັ້ນທ່ານຍັງສາມາດເລືອກສະເພາະບາງຊ່ອງຂໍ້ມູນ:

# извлечем только поле title
curl -XGET "$ES_URL/blog/post/1?_source=title&pretty"

{
  "_index" : "blog",
  "_type" : "post",
  "_id" : "1",
  "_version" : 1,
  "found" : true,
  "_source" : {
    "title" : "Веселые котята"
  }
}

ໃຫ້ດັດສະນີຂໍ້ຄວາມອີກສອງສາມອັນແລະດໍາເນີນການສອບຖາມທີ່ສັບສົນຫຼາຍ.

curl -XPUT "$ES_URL/blog/post/2" -d'
{
  "title": "Веселые щенки",
  "content": "<p>Смешная история про щенков<p>",
  "tags": [
    "щенки",
    "смешная история"
  ],
  "published_at": "2014-08-12T20:44:42+00:00"
}'

curl -XPUT "$ES_URL/blog/post/3" -d'
{
  "title": "Как у меня появился котенок",
  "content": "<p>Душераздирающая история про бедного котенка с улицы<p>",
  "tags": [
    "котята"
  ],
  "published_at": "2014-07-21T20:44:42+00:00"
}'

ການຮຽງລໍາດັບ

# найдем последний пост по дате публикации и извлечем поля title и published_at
curl -XGET "$ES_URL/blog/post/_search?pretty" -d'
{
  "size": 1,
  "_source": ["title", "published_at"],
  "sort": [{"published_at": "desc"}]
}'

{
  "took" : 8,
  "timed_out" : false,
  "_shards" : {
    "total" : 5,
    "successful" : 5,
    "failed" : 0
  },
  "hits" : {
    "total" : 3,
    "max_score" : null,
    "hits" : [ {
      "_index" : "blog",
      "_type" : "post",
      "_id" : "1",
      "_score" : null,
      "_source" : {
        "title" : "Веселые котята",
        "published_at" : "2014-09-12T20:44:42+00:00"
      },
      "sort" : [ 1410554682000 ]
    } ]
  }
}

ພວກເຮົາເລືອກຂໍ້ຄວາມສຸດທ້າຍ. size ຈໍາກັດຈໍານວນເອກະສານທີ່ຈະອອກ. total ສະແດງຈໍານວນເອກະສານທັງໝົດທີ່ກົງກັບຄໍາຮ້ອງຂໍ. sort ໃນຜົນໄດ້ຮັບປະກອບມີ array ຂອງຈໍານວນເຕັມທີ່ການຈັດລຽງແມ່ນປະຕິບັດ. ເຫຼົ່ານັ້ນ. ວັນທີໄດ້ຖືກປ່ຽນເປັນຈໍານວນເຕັມ. ຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບການຈັດຮຽງສາມາດພົບໄດ້ໃນ ເອກະສານ.

ການກັ່ນຕອງແລະການສອບຖາມ

ES ນັບຕັ້ງແຕ່ຮຸ່ນ 2 ບໍ່ໄດ້ຈໍາແນກລະຫວ່າງຕົວກອງແລະການສອບຖາມ, ແທນທີ່ຈະ ແນວຄວາມຄິດຂອງສະພາບການໄດ້ຖືກນໍາສະເຫນີ.
ບໍລິບົດການສອບຖາມແຕກຕ່າງຈາກບໍລິບົດການກັ່ນຕອງທີ່ query ສ້າງ _score ແລະບໍ່ໄດ້ຖືກເກັບໄວ້. ຂ້ອຍຈະສະແດງໃຫ້ເຈົ້າຮູ້ວ່າ _score ແມ່ນຫຍັງຕໍ່ມາ.

ກັ່ນຕອງຕາມວັນທີ

ພວກເຮົາໃຊ້ຄໍາຮ້ອງຂໍ ລະດັບ ໃນສະພາບການຂອງການກັ່ນຕອງ:

# получим посты, опубликованные 1ого сентября или позже
curl -XGET "$ES_URL/blog/post/_search?pretty" -d'
{
  "filter": {
    "range": {
      "published_at": { "gte": "2014-09-01" }
    }
  }
}'

ກັ່ນຕອງຕາມແທັກ

ພວກເຮົາໃຊ້ ການສອບຖາມໄລຍະ ເພື່ອຊອກຫາ ids ເອກະສານທີ່ມີຄໍາທີ່ໃຫ້:

# найдем все документы, в поле tags которых есть элемент 'котята'
curl -XGET "$ES_URL/blog/post/_search?pretty" -d'
{
  "_source": [
    "title",
    "tags"
  ],
  "filter": {
    "term": {
      "tags": "котята"
    }
  }
}'

{
  "took" : 9,
  "timed_out" : false,
  "_shards" : {
    "total" : 5,
    "successful" : 5,
    "failed" : 0
  },
  "hits" : {
    "total" : 2,
    "max_score" : 1.0,
    "hits" : [ {
      "_index" : "blog",
      "_type" : "post",
      "_id" : "1",
      "_score" : 1.0,
      "_source" : {
        "title" : "Веселые котята",
        "tags" : [ "котята", "смешная история" ]
      }
    }, {
      "_index" : "blog",
      "_type" : "post",
      "_id" : "3",
      "_score" : 1.0,
      "_source" : {
        "title" : "Как у меня появился котенок",
        "tags" : [ "котята" ]
      }
    } ]
  }
}

ຄົ້ນຫາຂໍ້ຄວາມເຕັມ

ສາມເອກະສານຂອງພວກເຮົາປະກອບມີດັ່ງຕໍ່ໄປນີ້ໃນພາກສະຫນາມເນື້ອໃນ:

• <p>Смешная история про котят<p>
• <p>Смешная история про щенков<p>
• <p>Душераздирающая история про бедного котенка с улицы<p>

ພວກເຮົາໃຊ້ ຄໍາ​ຖາມ​ທີ່​ກົງ​ກັນ​ ເພື່ອຊອກຫາ ids ເອກະສານທີ່ມີຄໍາທີ່ໃຫ້:

# source: false означает, что не нужно извлекать _source найденных документов
curl -XGET "$ES_URL/blog/post/_search?pretty" -d'
{
  "_source": false,
  "query": {
    "match": {
      "content": "история"
    }
  }
}'

{
  "took" : 13,
  "timed_out" : false,
  "_shards" : {
    "total" : 5,
    "successful" : 5,
    "failed" : 0
  },
  "hits" : {
    "total" : 3,
    "max_score" : 0.11506981,
    "hits" : [ {
      "_index" : "blog",
      "_type" : "post",
      "_id" : "2",
      "_score" : 0.11506981
    }, {
      "_index" : "blog",
      "_type" : "post",
      "_id" : "1",
      "_score" : 0.11506981
    }, {
      "_index" : "blog",
      "_type" : "post",
      "_id" : "3",
      "_score" : 0.095891505
    } ]
  }
}

ຢ່າງໃດກໍຕາມ, ຖ້າພວກເຮົາຄົ້ນຫາ "ເລື່ອງ" ໃນພາກສະຫນາມເນື້ອຫາ, ພວກເຮົາຈະບໍ່ພົບຫຍັງ, ເພາະວ່າ ດັດຊະນີມີພຽງແຕ່ຄໍາຕົ້ນສະບັບ, ບໍ່ແມ່ນລໍາຕົ້ນຂອງມັນ. ເພື່ອເຮັດໃຫ້ການຄົ້ນຫາທີ່ມີຄຸນນະພາບສູງ, ທ່ານຈໍາເປັນຕ້ອງກໍານົດຕົວວິເຄາະ.

ພາກສະຫນາມ _score ງານວາງສະແດງ ຄວາມກ່ຽວຂ້ອງ. ຖ້າຄໍາຮ້ອງຂໍຖືກປະຕິບັດໃນສະພາບການການກັ່ນຕອງ, ຫຼັງຈາກນັ້ນ, ຄ່າ _score ຈະເທົ່າກັບ 1, ຊຶ່ງຫມາຍຄວາມວ່າການຈັບຄູ່ຢ່າງສົມບູນກັບຕົວກອງ.

ນັກວິເຄາະ

ນັກວິເຄາະ ແມ່ນຈໍາເປັນເພື່ອປ່ຽນຂໍ້ຄວາມແຫຼ່ງເຂົ້າໄປໃນຊຸດຂອງ tokens.
ນັກວິເຄາະປະກອບດ້ວຍຫນຶ່ງ ເຄື່ອງໂທເຄັນ ແລະຫຼາຍທາງເລືອກ ການກັ່ນຕອງໂທເຄັນ. Tokenizer ອາດຈະຖືກນໍາຫນ້າໂດຍຫຼາຍໆອັນ ຕົວກັ່ນຕອງ. Tokenizers ແຍກສະຕຣິງຕົ້ນສະບັບອອກເປັນ tokens ເຊັ່ນ: ຍະຫວ່າງ ແລະເຄື່ອງໝາຍວັກຕອນ. TokenFilter ສາມາດປ່ຽນ tokens, ລຶບຫຼືເພີ່ມອັນໃຫມ່, ສໍາລັບຕົວຢ່າງ, ປ່ອຍໃຫ້ພຽງແຕ່ລໍາຕົ້ນຂອງຄໍາ, ເອົາ prepositions, ເພີ່ມຄໍາສັບຄ້າຍຄື. CharFilter - ປ່ຽນແປງ string ແຫຼ່ງທັງຫມົດ, ສໍາລັບການຍົກຕົວຢ່າງ, ຕັດອອກ tags html.

ES ມີຫຼາຍ ເຄື່ອງວິເຄາະມາດຕະຖານ. ສໍາລັບຕົວຢ່າງ, ການວິເຄາະ ພາສາລັດເຊຍ.

ໃຫ້ເຮົາໃຊ້ປະໂຫຍດ api ແລະໃຫ້ພວກເຮົາເບິ່ງວິທີການວິເຄາະມາດຕະຖານແລະລັດເຊຍປ່ຽນສາຍ "ເລື່ອງຕະຫລົກກ່ຽວກັບລູກແມວ":

# используем анализатор standard       
# обязательно нужно перекодировать не ASCII символы
curl -XGET "$ES_URL/_analyze?pretty&analyzer=standard&text=%D0%92%D0%B5%D1%81%D0%B5%D0%BB%D1%8B%D0%B5%20%D0%B8%D1%81%D1%82%D0%BE%D1%80%D0%B8%D0%B8%20%D0%BF%D1%80%D0%BE%20%D0%BA%D0%BE%D1%82%D1%8F%D1%82"

{
  "tokens" : [ {
    "token" : "веселые",
    "start_offset" : 0,
    "end_offset" : 7,
    "type" : "<ALPHANUM>",
    "position" : 0
  }, {
    "token" : "истории",
    "start_offset" : 8,
    "end_offset" : 15,
    "type" : "<ALPHANUM>",
    "position" : 1
  }, {
    "token" : "про",
    "start_offset" : 16,
    "end_offset" : 19,
    "type" : "<ALPHANUM>",
    "position" : 2
  }, {
    "token" : "котят",
    "start_offset" : 20,
    "end_offset" : 25,
    "type" : "<ALPHANUM>",
    "position" : 3
  } ]
}

# используем анализатор russian
curl -XGET "$ES_URL/_analyze?pretty&analyzer=russian&text=%D0%92%D0%B5%D1%81%D0%B5%D0%BB%D1%8B%D0%B5%20%D0%B8%D1%81%D1%82%D0%BE%D1%80%D0%B8%D0%B8%20%D0%BF%D1%80%D0%BE%20%D0%BA%D0%BE%D1%82%D1%8F%D1%82"

{
  "tokens" : [ {
    "token" : "весел",
    "start_offset" : 0,
    "end_offset" : 7,
    "type" : "<ALPHANUM>",
    "position" : 0
  }, {
    "token" : "истор",
    "start_offset" : 8,
    "end_offset" : 15,
    "type" : "<ALPHANUM>",
    "position" : 1
  }, {
    "token" : "кот",
    "start_offset" : 20,
    "end_offset" : 25,
    "type" : "<ALPHANUM>",
    "position" : 3
  } ]
}

ການວິເຄາະມາດຕະຖານໄດ້ແບ່ງສາຍໂດຍຊ່ອງຫວ່າງແລະປ່ຽນທຸກສິ່ງທຸກຢ່າງເປັນຕົວພິມນ້ອຍ, ນັກວິເຄາະພາສາລັດເຊຍໄດ້ເອົາຄໍາທີ່ບໍ່ສໍາຄັນ, ປ່ຽນເປັນຕົວພິມນ້ອຍແລະອອກຈາກລໍາຕົ້ນຂອງຄໍາສັບຕ່າງໆ.

ໃຫ້ເບິ່ງວ່າ Tokenizer, TokenFilters, CharFilter ໃດທີ່ນັກວິເຄາະລັດເຊຍໃຊ້:

{
  "filter": {
    "russian_stop": {
      "type":       "stop",
      "stopwords":  "_russian_"
    },
    "russian_keywords": {
      "type":       "keyword_marker",
      "keywords":   []
    },
    "russian_stemmer": {
      "type":       "stemmer",
      "language":   "russian"
    }
  },
  "analyzer": {
    "russian": {
      "tokenizer":  "standard",
      /* TokenFilters */
      "filter": [
        "lowercase",
        "russian_stop",
        "russian_keywords",
        "russian_stemmer"
      ]
      /* CharFilters отсутствуют */
    }
  }
}

ໃຫ້ອະທິບາຍການວິເຄາະຂອງພວກເຮົາໂດຍອີງໃສ່ພາສາລັດເຊຍ, ເຊິ່ງຈະຕັດອອກ tags html. ໃຫ້ໂທຫາມັນເປັນຄ່າເລີ່ມຕົ້ນ, ເພາະວ່າ ເຄື່ອງວິເຄາະທີ່ມີຊື່ນີ້ຈະຖືກໃຊ້ໂດຍຄ່າເລີ່ມຕົ້ນ.

{
  "filter": {
    "ru_stop": {
      "type":       "stop",
      "stopwords":  "_russian_"
    },
    "ru_stemmer": {
      "type":       "stemmer",
      "language":   "russian"
    }
  },
  "analyzer": {
    "default": {
      /* добавляем удаление html тегов */
      "char_filter": ["html_strip"],
      "tokenizer":  "standard",
      "filter": [
        "lowercase",
        "ru_stop",
        "ru_stemmer"
      ]
    }
  }
}

ຫນ້າທໍາອິດ, tags HTML ທັງຫມົດຈະຖືກໂຍກຍ້າຍອອກຈາກ string ແຫຼ່ງ, ຫຼັງຈາກນັ້ນມາດຕະຖານ tokenizer ຈະແບ່ງອອກເປັນ tokens, tokens ຜົນໄດ້ຮັບຈະຍ້າຍອອກໄປໃນຕົວພິມນ້ອຍ, ຄໍາທີ່ບໍ່ສໍາຄັນຈະຖືກລຶບອອກ, ແລະ tokens ທີ່ຍັງເຫຼືອຈະຍັງຄົງເປັນ stem ຂອງຄໍາສັບ.

ການສ້າງດັດສະນີ

ຂ້າງເທິງພວກເຮົາໄດ້ອະທິບາຍເຄື່ອງວິເຄາະເລີ່ມຕົ້ນ. ມັນຈະໃຊ້ກັບຊ່ອງສະຕຣິງທັງໝົດ. ໂພສຂອງພວກເຮົາມີແທັກຫຼາຍອັນ, ດັ່ງນັ້ນແທັກຈະຖືກປະມວນຜົນໂດຍນັກວິເຄາະ. ເນື່ອງຈາກວ່າ ພວກເຮົາກໍາລັງຊອກຫາຂໍ້ຄວາມໂດຍກົງກັບແທັກ, ຫຼັງຈາກນັ້ນພວກເຮົາຈໍາເປັນຕ້ອງປິດການວິເຄາະສໍາລັບພາກສະຫນາມ tags.

ໃຫ້ພວກເຮົາສ້າງ index blog2 ດ້ວຍຕົວວິເຄາະແລະການສ້າງແຜນທີ່, ເຊິ່ງການວິເຄາະພາກສະຫນາມ tags ຖືກປິດໃຊ້ງານ:

curl -XPOST "$ES_URL/blog2" -d'
{
  "settings": {
    "analysis": {
      "filter": {
        "ru_stop": {
          "type": "stop",
          "stopwords": "_russian_"
        },
        "ru_stemmer": {
          "type": "stemmer",
          "language": "russian"
        }
      },
      "analyzer": {
        "default": {
          "char_filter": [
            "html_strip"
          ],
          "tokenizer": "standard",
          "filter": [
            "lowercase",
            "ru_stop",
            "ru_stemmer"
          ]
        }
      }
    }
  },
  "mappings": {
    "post": {
      "properties": {
        "content": {
          "type": "string"
        },
        "published_at": {
          "type": "date"
        },
        "tags": {
          "type": "string",
          "index": "not_analyzed"
        },
        "title": {
          "type": "string"
        }
      }
    }
  }
}'

ໃຫ້ເພີ່ມ 3 ຂໍ້ຄວາມດຽວກັນກັບດັດສະນີນີ້ (blog2). ຂ້າພະເຈົ້າຈະຍົກເລີກຂະບວນການນີ້ເພາະວ່າ ... ມັນຄ້າຍຄືກັບການເພີ່ມເອກະສານເຂົ້າໃນດັດສະນີ blog.

ການຊອກຫາຂໍ້ຄວາມເຕັມດ້ວຍການສະຫນັບສະຫນູນການສະແດງອອກ

ໃຫ້ພິຈາລະນາຄໍາຮ້ອງຂໍປະເພດອື່ນ:

# найдем документы, в которых встречается слово 'истории'
# query -> simple_query_string -> query содержит поисковый запрос
# поле title имеет приоритет 3
# поле tags имеет приоритет 2
# поле content имеет приоритет 1
# приоритет используется при ранжировании результатов
curl -XPOST "$ES_URL/blog2/post/_search?pretty" -d'
{
  "query": {
    "simple_query_string": {
      "query": "истории",
      "fields": [
        "title^3",
        "tags^2",
        "content"
      ]
    }
  }
}'

ເນື່ອງຈາກວ່າ ພວກເຮົາກໍາລັງໃຊ້ເຄື່ອງວິເຄາະທີ່ມີ stemming ພາສາລັດເຊຍ, ຫຼັງຈາກນັ້ນຄໍາຮ້ອງຂໍນີ້ຈະສົ່ງຄືນເອກະສານທັງຫມົດ, ເຖິງແມ່ນວ່າພວກມັນມີພຽງແຕ່ຄໍາວ່າ 'ປະຫວັດສາດ'.

ການຮ້ອງຂໍອາດມີຕົວອັກສອນພິເສດ, ຕົວຢ່າງ:

""fried eggs" +(eggplant | potato) -frittata"

ຮ້ອງຂໍ syntax:

+ signifies AND operation
| signifies OR operation
- negates a single token
" wraps a number of tokens to signify a phrase for searching
* at the end of a term signifies a prefix query
( and ) signify precedence
~N after a word signifies edit distance (fuzziness)
~N after a phrase signifies slop amount

# найдем документы без слова 'щенки'
curl -XPOST "$ES_URL/blog2/post/_search?pretty" -d'
{
  "query": {
    "simple_query_string": {
      "query": "-щенки",
      "fields": [
        "title^3",
        "tags^2",
        "content"
      ]
    }
  }
}'

# получим 2 поста про котиков

ເອກະສານ

• Elasctic.co
• ກະສານອ້າງອີງ
• ຄູ່​ມື
• ຄຳສັບ
• ການຕັ້ງຄ່າ
• ການຈັດການເອກະສານ
• ການປະຕິບັດດັດສະນີ
• ບັນຊີລາຍຊື່ຂອງຄໍາຮ້ອງຂໍ

PS

ຖ້າຫາກວ່າທ່ານມີຄວາມສົນໃຈໃນບົດຄວາມທີ່ຄ້າຍຄືກັນ - ບົດຮຽນ, ມີແນວຄວາມຄິດສໍາລັບບົດຄວາມໃຫມ່, ຫຼືມີການສະເຫນີສໍາລັບການຮ່ວມມື, ຫຼັງຈາກນັ້ນຂ້າພະເຈົ້າຍິນດີທີ່ຈະໄດ້ຮັບຂໍ້ຄວາມໃນຂໍ້ຄວາມສ່ວນບຸກຄົນຫຼືທາງອີເມລ໌. [email protected].

ແຫຼ່ງຂໍ້ມູນ: www.habr.com